基于高分辨率遙感影像的車道線提取

張世強(qiáng)，王貴山

(北京靈圖軟件技術(shù)有限公司，北京 100193)

隨著深度學(xué)習(xí)、激光雷達(dá)、毫米波雷達(dá)、SLAM(simultaneous localization and mapping)、AI專用芯片等軟硬件技術(shù)的進(jìn)步，自動駕駛技術(shù)發(fā)展迅速。除了傳統(tǒng)的汽車廠商和IT巨頭外，國內(nèi)外出現(xiàn)了數(shù)百家自動駕駛技術(shù)的初創(chuàng)公司，一些估值超10億美元的獨(dú)角獸公司不斷涌現(xiàn)。各種媒體輪番炒作，自動駕駛技術(shù)及相關(guān)主題成為熱點(diǎn)，仿佛很快就要進(jìn)入自動駕駛時(shí)代。

任何技術(shù)的發(fā)展都要經(jīng)過萌芽期、過熱期、低谷期、復(fù)蘇期、成熟期，自動駕駛也不例外。2018年上半年，自動駕駛技術(shù)達(dá)到了過熱期的頂峰，隨著Google的Waymo CEO John Krafcik承認(rèn)，自動駕駛技術(shù)很難，且L5級自動駕駛的終極階段是一種有點(diǎn)不合理的期望，自動駕駛技術(shù)開始回歸理性。自動駕駛技術(shù)還需要人們不斷的努力，一些技術(shù)細(xì)節(jié)還要不斷地完善。

自動駕駛及輔助駕駛方案多種多樣，但大部分都要涉及定位和路徑規(guī)劃問題。雖然一些廠家的產(chǎn)品，主要依靠激光雷達(dá)SLAM或攝像頭圖像識別來定位和實(shí)時(shí)判斷路況，號稱不依賴任何地圖，但大部分廠商還是把高精地圖納入系統(tǒng)之中。其中L3以上等級的自動駕駛，某些方案中高精地圖是必不可少的。導(dǎo)航地圖提供商積極研究制作高精地圖產(chǎn)品，一些已經(jīng)用于測試。由于高精地圖數(shù)據(jù)采集工作量巨大，一些廠商采用了眾包的方法，新的制圖技術(shù)也處于不斷探索之中。

高精地圖一般包括車道模型、道路部件、道路屬性和其他定位圖層。車道線是車道模型和道路部件的主要內(nèi)容之一，不僅用于構(gòu)建車道中心線及連接關(guān)系模型，還可用于輔助定位。車道線識別占高精地圖生產(chǎn)工作量的一半以上，本文針對利用高分辨率遙感影像提取車道線進(jìn)行了探索。

1 車道線獲取方法現(xiàn)狀

目前，大部分系統(tǒng)是通過單目或多目攝像頭及激光掃描雷達(dá)[1-2]，采用圖像處理算法或深度學(xué)習(xí)的圖像分割識別方法，對獲取的圖像進(jìn)行分析來獲取道路信息。需要將設(shè)備裝在采集車上，沿路行駛來獲取數(shù)據(jù)，數(shù)據(jù)需經(jīng)軟件和人工處理，工作量巨大。

最近幾年流行的深度學(xué)習(xí)算法，一般采用卷積神經(jīng)網(wǎng)絡(luò)，在車載攝像頭圖像識別中得到成功應(yīng)用，可以分辨幾十種不同的地物。結(jié)合專門研制的低功耗AI芯片，實(shí)時(shí)圖像分析能力已經(jīng)達(dá)到每秒6幀以上，成功應(yīng)用于一些L4級別的自動駕駛系統(tǒng)中(如圖1所示)。

通過高分辨率的遙感影像提取道路的研究已經(jīng)很多[3-9]，如何利用高分辨率遙感影像提取更詳細(xì)的信息，是值得研究的問題。目前，美國已經(jīng)放開的衛(wèi)星的分辨率已經(jīng)達(dá)到0.25 m全色和1 m多光譜圖像數(shù)據(jù)，在這一級別的衛(wèi)星影像上已經(jīng)能清晰地分辨出車道線、人行橫道、減速帶、隔離帶等，甚至路上的箭頭、文字等內(nèi)容。而航空攝影和無人機(jī)攝影可以獲得更高分辨率的影像，分辨上述道路要素更加容易。在Google Earth的Level 19影像上，各種車道信息清晰可見，如圖2所示(該圖像分辨率約0.35 m)。

深度學(xué)習(xí)用于遙感影像識別[10-15]，還處于探索階段。DeepGlobe是全球遙感影像智能分析大賽，Uber(優(yōu)步)、馬里蘭大學(xué)、清華大學(xué)等在內(nèi)的全球頂尖研究團(tuán)隊(duì)都參與其中。比賽內(nèi)容有3項(xiàng)：道路網(wǎng)絡(luò)識別，建筑物識別和土地用途識別。中國團(tuán)隊(duì)在2018年度取得不錯(cuò)的成績，在其中兩項(xiàng)處于領(lǐng)先地位。對于車道線等細(xì)小目標(biāo)的識別，目前還未見報(bào)道。

由于遙感影像相對于車載攝像頭影像，尺度不一樣，視角也不一樣，因此大部分目標(biāo)都比較小，或是目標(biāo)的寬度比較小，目前的深度學(xué)習(xí)圖像分割識別算法還無法實(shí)現(xiàn)。常用的卷積神經(jīng)網(wǎng)絡(luò)(CNN)的池化層(Pooling)會使信息量進(jìn)一步減小，一個(gè)24×24的目標(biāo)經(jīng)過四層Pooling后只有約一個(gè)像素，使得維度過低難以區(qū)分。而且，遙感影像上目標(biāo)的方向不是確定的，使得目標(biāo)檢測更加困難。小目標(biāo)的檢測識別是目前深度學(xué)習(xí)的研究方向之一。

從遙感影像上提取電子地圖的相關(guān)處理軟件比較成熟。如果采用人機(jī)交互采集方式，可以排除一些干擾因素，獲取絕大部分車道線的信息。但是人工判讀矢量化工作量巨大，成本高昂。美國的一些公司將數(shù)據(jù)處理工作轉(zhuǎn)包給印度等人工成本比較低的國家，以降低成本。如果能采用自動化圖像處理，獲取大部分容易獲取的車道線信息，再輔以人工編輯，同時(shí)參考道路的車載攝像頭影像，則可以取得比較好的效果，如圖3所示。

2 車道線提取過程

2.1 影像選擇

最近幾年國內(nèi)外的遙感衛(wèi)星和星座，出現(xiàn)了爆發(fā)式增長，分辨率提高很快，成像能力有了飛躍式提高。遙感影像來源比較多，選擇的標(biāo)準(zhǔn)主要有以下幾個(gè)方面：

(1) 影像分辨率：影像的分辨率當(dāng)然是越高越好，但要注意的是，除了理論分辨率以外，影像的光譜特性、清晰程度也很重要。有的理論分辨率高，但影像模糊，實(shí)際目標(biāo)辨識能力不足。

(2) 影像遮擋：由于最新的遙感衛(wèi)星影像大部分是傾斜攝影，樓房、樹木等對路面有遮擋，這就要選擇相機(jī)傾斜角度小，遮擋少的影像。

(3) 影像成像時(shí)間：植被的四季變化，對路面的遮擋情況不同。需要選擇植被稀疏時(shí)，盡可能是冬季或春秋季節(jié)的數(shù)據(jù)。

(4) 影像色彩：受天氣、季節(jié)及成像儀光譜特性的影響，同一地區(qū)的影像，色彩、清晰度差異較大，要選擇道路線清晰的數(shù)據(jù)。

(5) 獲取成本及時(shí)效：不同的數(shù)據(jù)源，價(jià)格差距比較大。需要綜合平衡價(jià)格與質(zhì)量及數(shù)據(jù)的新舊程度。

航空攝影及無人機(jī)攝影的要求也同樣如此。攝影時(shí)間、航高、分辨率要滿足上述要求。如圖4所示，影像的質(zhì)量很好，提取道路線要容易得多。路燈和道路標(biāo)識桿的位置也清晰可辨。

2.2 影像預(yù)處理

高精地圖對定位精度要求比較高，獲取的遙感影像必須進(jìn)行高精度的糾正處理。高精地圖的精度包括絕對精度和相對精度。由于國家有關(guān)的地圖保密政策等原因，對地圖的絕對精度有限制，且片面追求絕對精度，成本也難以控制。以慣性導(dǎo)航儀為例，精度不同，價(jià)格從幾萬元到上百萬元。不同掃描線數(shù)的激光雷達(dá)，價(jià)格差距也是10倍以上。為應(yīng)對地圖數(shù)據(jù)偏移，以前的導(dǎo)航軟件采用的一些折中方法對高精地圖也同樣適用，一些公司專門研究了適用于高精地圖的車載端保密插件，成功優(yōu)化了經(jīng)過非線性保密技術(shù)處理后的高精地圖數(shù)據(jù)與保密插件處理后的車載端定位數(shù)據(jù)的匹配精度。

在數(shù)據(jù)制作時(shí)，在盡可能提高地圖的絕對精度的基礎(chǔ)上，更重要的是要保證相對精度。在實(shí)際使用中，車載儀器會實(shí)時(shí)地對車輛周圍環(huán)境進(jìn)行識別，自動對地圖和地理環(huán)境進(jìn)行匹配。實(shí)際駕駛過程中，同時(shí)使用的地圖范圍有限，不超過幾百米，甚至更小。在小范圍內(nèi)的地圖，各要素的相對位置變形誤差控制要滿足標(biāo)準(zhǔn)要求。

由于目前遙感衛(wèi)星普遍采用了鏡頭搖擺成像方式，大部分遙感影像獲取的傾角比較大，受地形起伏影響變形也大，進(jìn)行正射糾正是必需的，控制點(diǎn)的選擇和DEM的質(zhì)量是重點(diǎn)。

圖像經(jīng)糾正處理后，還要進(jìn)行色彩與對比度的調(diào)整。由于遙感影像傳感器不同，獲取的季節(jié)及氣象條件不同，造成影像色彩差異很大。處理時(shí)一般一批次只處理同一時(shí)相或時(shí)項(xiàng)相近的影像數(shù)據(jù)。

由于提取的要素為線狀要素，對遙感影像進(jìn)行適當(dāng)?shù)木€狀要素邊緣增強(qiáng)處理也是必要的。

2.3 圖像分割

在遙感影像上，車道線大多表現(xiàn)為比較亮的白色。圖像分割的方法很多，如閾值法、邊緣檢測法、區(qū)域增長法、雙聚類法、快速匹配法、分水嶺變換法等。采用常用的閾值法，比較簡單，能滿足需求即可。不同的影像，閾值也有差別，因此需要對閾值作調(diào)整，以取得最佳效果。

2.4 噪聲去除

影像分割后轉(zhuǎn)變?yōu)槎祱D，但建筑物、空地、車輛等顏色比較亮的要素混雜其中，如何加以去除是處理的關(guān)鍵。

傳統(tǒng)導(dǎo)航地圖中已有的道路中心線、道路邊線等信息，可以起到重要作用?？梢岳密嚨乐行木€形成的緩沖區(qū)域，或者車道邊線形成的閉合區(qū)域，將路面以外的建筑物等噪聲排除。

影像中路面上不可避免出現(xiàn)車輛，特別是顏色淺的車輛，會在圖像分割中和車道線一起提取出來。去掉車輛的方法有多種，可以采用面積法，也可以利用車輛識別的方法[16-18]。

利用數(shù)學(xué)形態(tài)學(xué)方法去除小的噪聲，同時(shí)保證線段的連續(xù)，如圖5所示。

2.5 矢量化

傳統(tǒng)導(dǎo)航圖中的道路中心線，確定了道路及車道線的大致走向。連續(xù)的車道線和斷續(xù)的虛線，面積大小差異比較大?？梢岳梅较蚝兔娣e因子，將不同類型的線提取出來。柵格數(shù)據(jù)的矢量化在常用GIS軟件中是成熟的功能，本文不再贅述。

車道線信息，既可以是矢量形式的，也可以是柵格形式的。柵格數(shù)據(jù)的車道線與激光點(diǎn)云等信息的融合，在某些自動駕駛系統(tǒng)中已得到應(yīng)用。

2.6 數(shù)據(jù)檢查和整理

數(shù)據(jù)的檢查和整理需要作業(yè)員通過人工交互完成。雖然利用軟件和算法盡可能完成大部分工作，但目前還無法完全代替人的智能。這一階段，可以參考融合車載攝像頭、激光雷達(dá)等多種數(shù)據(jù)源，以達(dá)到最佳效果。

3 結(jié) 語

遙感數(shù)據(jù)，覆蓋范圍大，信息豐富。高分辨率遙感影像，是高精度地圖信息獲取的可靠數(shù)據(jù)源，與車輛采集的圖像及其他信息相結(jié)合，可以用于提取車道線等信息。在新修建的道路和比較開闊的新城區(qū)和高速公路上，效果良好。該方法可以降低數(shù)據(jù)采集的成本，提高采集效率。